
import numpy as np
import pandas as pd
import plotly.express as px
from plotly.subplots import make_subplots
import plotly.graph_objects as go
import plotly.io as pio


import plotly.io as pio
pio.renderers

Renderers configuration
-----------------------
    Default renderer: 'notebook'
    Available renderers:
        ['plotly_mimetype', 'jupyterlab', 'nteract', 'vscode',
         'notebook', 'notebook_connected', 'kaggle', 'azure', 'colab',
         'cocalc', 'databricks', 'json', 'png', 'jpeg', 'jpg', 'svg',
         'pdf', 'browser', 'firefox', 'chrome', 'chromium', 'iframe',
         'iframe_connected', 'sphinx_gallery', 'sphinx_gallery_png']


pio.renderers.default = "notebook"


def equivalencia_linha(tabulacao_cruzada):
    """Essa função determina as esquivalências por linha entre dois mapas de uso e cobertura da terra (UTC).
        Recebe como entrada uma matriz de tablução cruzada entre os dois mapas.
    """
    
    mapeamento_linha = []
    for index, row in tabulacao_cruzada.iterrows():
        max_row = row.sort_values(ascending=False)
        mapeamento_linha.append(tabulacao_cruzada.loc[: , max_row.index[0]])
    
    mapeamento_linha = pd.DataFrame(data=mapeamento_linha)
    
    linhas = mapeamento_linha.index.tolist()
    colunas = mapeamento_linha.columns.tolist()
    data_tuples = list(zip(colunas, linhas))
    mapeamento_linha = pd.DataFrame(data_tuples, columns=['Quarto_Inventario','MapBiomas'])
    
    for i in range(len(mapeamento_linha)):
        mapeamento_linha.loc[i, "Size"] = tabulacao_cruzada.loc[(mapeamento_linha["Quarto_Inventario"][i])].max()
        
    return mapeamento_linha


def equivalencia_coluna(tabulacao_cruzada):
    """Essa função determina as esquivalências por coluna entre dois mapas de uso e cobertura da terra (UTC).
        Recebe como entrada uma matriz de tablução cruzada entre os dois mapas.
    """
    
    mapeamento_coluna = []
    for column in range(0, tabulacao_cruzada.shape[1]):
        max_column = tabulacao_cruzada.iloc[:, column].sort_values(ascending=False)
        mapeamento_coluna.append(tabulacao_cruzada.loc[max_column.index[0], :])
    
    mapeamento_coluna = pd.DataFrame(data=mapeamento_coluna)
    
    linhas = mapeamento_coluna.index.tolist()
    colunas = mapeamento_coluna.columns.tolist()
    data_tuples = list(zip(colunas, linhas))
    mapeamento_coluna = pd.DataFrame(data_tuples, columns=['MapBiomas', 'Quarto_Inventario'])
    
    mapeamento_coluna.loc[:, ("Size")] = 0
    
    for i in range(len(mapeamento_coluna)):
         mapeamento_coluna.loc[i, "Size"] = tabulacao_cruzada.loc[:, (mapeamento_coluna["MapBiomas"][i])].max()
        
    return mapeamento_coluna


def legenda_harmonizada(mapeamento_linha, mapeamento_coluna):
    """
        Determina a harmonização das legendas a partir das harmonizações por linha e por coluna.
    """
    
    legenda = pd.merge(equivalencias_linha, equivalencias_coluna, how="outer")
    
    return legenda


def nodify(node_names):
    '''
        Cria os nódulos para agrupar cada legendas em uma coluna a partir da legenda gerada
        pela função harmonizacao_2_sankey e geras as cores de cada nódulo por coluna.
    '''
    # uniqe name endings
    ends = sorted(list(set([e[-1] for e in node_names])))
    
    # intervals
    steps = 0

    # x-values for each unique name ending
    # for input as node position
    nodes_x = {}
    node_colors = {}
    xVal = 0
    for e in ends:
        if e != " ":
            nodes_x[str(e)] = xVal
            xVal += steps + 0.3
        else:
            nodes_x[str(e)] = xVal
            xVal += steps
            
    for e in ends:
        if e != "'":
            node_colors[str(e)] = '#84caa0'
        else:
            node_colors[str(e)] = '#37986a'

    # x and y values in list form
    x_values = [nodes_x[n[-1]] for n in node_names]
    y_values = [0.01]*len(x_values)
    
    node_colors = [node_colors[n[-1]] for n in node_names]
    
    return x_values, y_values, node_colors


def df_2_sankey(df,cols,values,hover_value=None):
    """ 
        Helper function to convert a dataframe of relationships to 
        Plotly Sankey format.
    """
    colors = ['#D0EDA6','#EDEF7B','#EF7B84','#00308f','#eedc82','#c66']
    out = df.copy()
    entities = dict()
    vals_ = [values,hover_value]
    try: 
        vals_.remove(None)
    except:
        pass
    
    # get dict of uid for each entity in each level from 0...n
    for n,c in enumerate(cols):
        if n == 0:
            out[f'{c}_'] = pd.factorize(out[c])[0]
        else:
            out[f'{c}_'] = pd.factorize(out[c])[0] + (out[f'{cols[n-1]}_'].max()+1)
        entities[n] = dict(out[[cols[n]+'_',cols[n]]].values)

    # create df edge list between source,targets
    edge_list = list()
    for i in range(0, len(cols), 1):
        slice_ = cols[i:i+2]
        if len(slice_)==2:
            el_ = out.groupby([f'{c}_' for c in slice_],as_index=False)[vals_].sum()
            el_.columns = ['source','target']+vals_
            edge_list.append(el_)
    edge_list = pd.concat(edge_list,ignore_index=True)

    # Sankey node definitions are simply the ordered uid/names of each entity 
    labels = [v[i] for k,v in entities.items() for i in v] # use v[i] for name, i for uid
    node_colors = [colors[k] for k in entities.keys() for i in entities[k]]

    # Sankey edge definitions
    source = list(edge_list['source'])
    target = list(edge_list['target'])
    values = list(edge_list[values])
    
    if hover_value is None:
        hover_values = list()
    else:
        hover_values = list(edge_list[hover_value])
    if len(source) == len(target) == len(values):
        return edge_list,entities,labels,node_colors,source,target,values,hover_values
    else:
        raise Exception('Output test fail: lists are of unequal lengths')


def harmonizacao_2_sankey(df):
    """
    Gera os outputs necessários para gerar o diagrama de Sankey via plotly para a legenda harmonizada.
    """      
    equivalencias_linha = equivalencia_linha(df)
    _df = pd.DataFrame()
    _df["source"] = equivalencias_linha["Quarto_Inventario"] + "!"
    _df["target"] = equivalencias_linha["MapBiomas"] + "'"
    _df["value"] = equivalencias_linha["Size"]
    
    equivalencias_coluna = equivalencia_coluna(df)
    _df2 = pd.DataFrame()
    _df2["source"] = equivalencias_coluna["MapBiomas"] + "'"
    _df2["target"] = equivalencias_coluna["Quarto_Inventario"].astype(str) + " "
    _df2["value"] = equivalencias_coluna["Size"]
    
    _df = pd.concat([_df, _df2], ignore_index=True)
    
    legendas = pd.concat([_df['source'], _df['target']])
    legendas = legendas.unique()
    legenda = {x: index for index, x in enumerate(legendas)}
    
    nodified_x, nodified_y, node_colors = nodify(legendas)
    
    source = []
    target = []
    value = []
    for linha in _df.iterrows():
        source.append(legenda.get(linha[1].source))
        target.append(legenda.get(linha[1].target))
        value.append(linha[1].value)
    
    return legendas, source, target, value, node_colors, nodified_x, nodified_y


mapbiomas_col7_legenda = {
    1 : "Floresta",
    3 : "Formação Florestal",
    4 : "Formação Savânica",
    5 : "Mangue",
    49 : "Restinga Arborizada",
    10 : "Formação Natural não Florestal",
    11 : "Campo Alagado e Área Pantanosa",
    12 : "Formação Campestre",
    32 : "Apicum",
    29 : "Afloramento Rochoso",
    50 : "Restinga Herbácea",
    13 : "Outras Formações não Florestais",
    14 : "Agropecuária",
    15 : "Pastagem",
    18 : "Agricultura",
    19 : "Lavoura Temporária",
    39 : "Soja",
    20 : "Cana",
    40 : "Arroz (beta)",
    62 : "Algodão (beta)",
    41 : "Outras Lavouras Temporárias",
    36 : "Lavoura Perene",
    46 : "Café",
    47 : "Citrus",
    48 : "Outras Lavouras Perenes",
    9 : "Silvicultura",
    21 : "Mosaico de Usos",
    22 : "Área não Vegetada",
    23 : "Praia, Duna e Areal",
    24 : "Área Urbanizada",
    30 : "Mineração",
    25 : "Outras Áreas não Vegetadas",
    26 : "Corpo D'água",
    33 : "Rio, Lago e Oceano",
    31 : "Aquicultura",
    27 : "Não Observado"
}

quarto_inventario_legenda = {
    1 : "Floresta manejada (FM)",
    2 : "Floresta não manejada (FNM)",
    3 : "Floresta secundária (FSec)",
    4 : "Corte seletivo (CS)",
    5 : "Reflorestamento (Ref)",
    6 : "Campo manejado (GM)",
    7 : "Campo não manejado (GNM)",
    8 : "Campo secundário (GSec)",
    9 : "Pastagem (Ap)",
    10 : "Pastagem degradada (APD)",
    11 : "Outras formações lenhosas manejadas (OFLM)",
    12 : "Outras formações lenhosas não manejadas (OFLNM)",
    13 : "Outras formações lenhosas secundárias (OFLSec)",
    14 : "Agricultura anual  (AC)",
    15 : "Agricultura perene (PER)",
    16 : "Agricultura semiperene  (CANA)",
    17 : "Água (A)",
    18 : "Reservatório (Res)",
    19 : "Assentamento (S)",
    20 : "Dunas manejadas (DnM)",
    21 : "Dunas não manejadas (DnNM)",
    22 : "Afloramento rochoso manejado (ArM)",
    23 : "Afloramento rochoso não manejado (ArNM)",
    24 : "Mineração (Min)",
    25 : "Solo exposto (SE)",
    26 : "Áreas não observadas (NO)"
}


df = pd.read_csv("../confusion_matrix/tab_cruz_brasil.csv", index_col="Unnamed: 0")

df.head()


df.shape

(25, 22)


df.index

Index([ 0.0,  1.0,  2.0,  3.0,  4.0,  5.0,  6.0,  7.0,  8.0,  9.0, 10.0, 11.0,
       12.0, 13.0, 14.0, 15.0, 16.0, 17.0, 18.0, 19.0, 20.0, 21.0, 24.0, 25.0,
       26.0],
      dtype='float64')


df.columns

Index(['0.0', '11.0', '12.0', '15.0', '20.0', '21.0', '23.0', '24.0', '25.0',
       '255.0', '3.0', '30.0', '32.0', '33.0', '39.0', '4.0', '40.0', '41.0',
       '48.0', '5.0', '62.0', '9.0'],
      dtype='object')


df = df.drop(index=0.0, columns=["0.0", "255.0"])


df.head()


classes_mapa1 = df.columns.astype(float)
classes_mapa2 = df.index

# Mapeando os valores de pixels com os nomes das classes
mapa1_legenda = list(map(mapbiomas_col7_legenda.get, classes_mapa1))
mapa2_legenda = list(map(quarto_inventario_legenda.get, classes_mapa2))


mapa1_legenda

['Campo Alagado e Área Pantanosa',
 'Formação Campestre',
 'Pastagem',
 'Cana',
 'Mosaico de Usos',
 'Praia, Duna e Areal',
 'Área Urbanizada',
 'Outras Áreas não Vegetadas',
 'Formação Florestal',
 'Mineração',
 'Apicum',
 'Rio, Lago e Oceano',
 'Soja',
 'Formação Savânica',
 'Arroz (beta)',
 'Outras Lavouras Temporárias',
 'Outras Lavouras Perenes',
 'Mangue',
 'Algodão (beta)',
 'Silvicultura']


mapa2_legenda

['Floresta manejada (FM)',
 'Floresta não manejada (FNM)',
 'Floresta secundária (FSec)',
 'Corte seletivo (CS)',
 'Reflorestamento (Ref)',
 'Campo manejado (GM)',
 'Campo não manejado (GNM)',
 'Campo secundário (GSec)',
 'Pastagem (Ap)',
 'Pastagem degradada (APD)',
 'Outras formações lenhosas manejadas (OFLM)',
 'Outras formações lenhosas não manejadas (OFLNM)',
 'Outras formações lenhosas secundárias (OFLSec)',
 'Agricultura anual  (AC)',
 'Agricultura perene (PER)',
 'Agricultura semiperene  (CANA)',
 'Água (A)',
 'Reservatório (Res)',
 'Assentamento (S)',
 'Dunas manejadas (DnM)',
 'Dunas não manejadas (DnNM)',
 'Mineração (Min)',
 'Solo exposto (SE)',
 'Áreas não observadas (NO)']


# Renomeando linhas e colunas de acordo com as classes 
df.columns = mapa1_legenda
df.index = mapa2_legenda

df.head()


df2 = df

df = round(df * 0.09 / 1000000, 2)

df.head()


results = []
for p_key, values in df.items():
    for key, value in values.items():
        results.append({"source": p_key, "target": key, "value": value})
        # print(p_key, key, value)

df_list = pd.DataFrame(results, columns=['target', 'source', 'value'])
df_list


fig = px.imshow(df.replace(0, None), text_auto=True, aspect="auto", height=1000, title='Matriz de Tabulação Cruzada entre os mapas (Mha)')
fig.show()


fig = make_subplots(
    rows=2, cols=1,
    shared_yaxes='all',
    specs=[[{"type": "xy"}],[{"type": "xy"}]],
    subplot_titles=("<b>MapBiomas Col. 7 - brasil<b>", "<b>Quarto Inventário Nacional - brasil<b>")
)

fig.add_trace(go.Bar(y= df.sum(), x=df.sum().index, text=((df.sum())).astype(int).astype(str)+"Mha"),
              row=1, col=1)

fig.add_trace(go.Bar(y = df.sum(axis='columns').sort_values(ascending=False), 
                     x=df.sum(axis='columns').sort_values(ascending=False).index, 
                     text=((df.sum(axis='columns').sort_values(ascending=False))).astype(int).astype(str)+"Mha"),
              row=2, col=1)

fig.update_layout(title_text="<b>Distribuição das Classes por Mapa da Região Estudada<b>",
                  height=1000,
                  width=1200,
                  showlegend=False
                  )

fig.update_layout(barmode='stack', xaxis={'categoryorder':'total descending'})

fig.show()


equivalencias_linha = equivalencia_linha(df)
display(equivalencias_linha)


edge_list,entities,labels,colors,source,target,values,hover_values = df_2_sankey(equivalencias_linha,['MapBiomas', 'Quarto_Inventario'],values='Size')

fig = go.Figure(data=[go.Sankey(
    valueformat = ".0f",
    node = dict(
      pad = 5,
      thickness = 20,
      line = dict(color = "black", width = 0.5),
      label = labels,
      color = colors,
      customdata=hover_values,
      hovertemplate='Source: %{label}<br />'+
                    'Amount: %{value}<br />'
    ),
    link = dict(
      source = source, # indices correspond to labels, eg A1, A2, A2, B1, ...
      target = target,
      value = values,
      customdata=hover_values,
      hovertemplate='Source: %{source.label}<br />'+
                    'Target: %{target.label}<br />'+
                    'Amount: %{value}<br />', 
  ))])

fig.update_layout(autosize=True,width=900,height=1200,title_text="<b> Quarto_Inventario > MapBiomas | brasil<b>", font_size=12)
fig.show()


equivalencias_coluna = equivalencia_coluna(df)
display(equivalencias_coluna)


edge_list,entities,labels,colors,source,target,values,hover_values = df_2_sankey(equivalencias_coluna,['MapBiomas', 'Quarto_Inventario'],values='Size')

fig = go.Figure(data=[go.Sankey(
    valueformat = ".0f",
    node = dict(
      pad = 5,
      thickness = 20,
      line = dict(color = "black", width = 0.5),
      label = labels,
      color = colors,
      customdata=hover_values,
      hovertemplate='Source: %{label}<br />'+
                    'Amount: %{value}<br />'
    ),
    link = dict(
      source = source, # indices correspond to labels, eg A1, A2, A2, B1, ...
      target = target,
      value = values,
      customdata=hover_values,
      hovertemplate='Source: %{source.label}<br />'+
                    'Target: %{target.label}<br />'+
                    'Amount: %{value}<br />', 
  ))])

fig.update_layout(autosize=True,width=900,height=1200,title_text="<b> MapBiomas > Quarto_Inventario | brasil<b>", font_size=12)
fig.show()


mapeamento = legenda_harmonizada(equivalencias_linha, equivalencias_coluna)
display(mapeamento)


legendas, source, target, value, node_colors, nodified_x, nodified_y = harmonizacao_2_sankey(df2)

fig = go.Figure(data=[go.Sankey(
    arrangement='snap',
    node = dict(
        pad = 15,
        thickness = 20,
        line = dict(color = "black", width = 0.5),
        label = legendas,
        color = node_colors,
        x=nodified_x,
        y=nodified_y
    ),
    link = dict(
      source = source, # indices correspond to labels, eg A1, A2, A1, B1, ...
      target = target,
      value = value
  ))])


fig.update_layout(autosize=True,width=1000,height=1500,title_text="<b> Inventário > MapBiomas > Inventário | brasil <b>", font_size=12)
fig.show()


legendas, source, target, value, node_colors, nodified_x, nodified_y = harmonizacao_2_sankey(df)

value = [1] * len(value)

fig = go.Figure(data=[go.Sankey(
    arrangement='snap',
    node = dict(
        pad = 15,
        thickness = 20,
        line = dict(color = "black", width = 0.5),
        label = legendas,
        color = node_colors,
        x=nodified_x,
        y=nodified_y
    ),
    link = dict(
      source = source, # indices correspond to labels, eg A1, A2, A1, B1, ...
      target = target,
      value = value
  ))])

fig.update_layout(autosize=True,width=1000,height=1500,title_text="<b> Quarto Inventário > MapBiomas | brasil <b>", font_size=12)
fig.show()


concordancia_geral = round(100 * mapeamento.loc[:, "Size"].sum() / df.to_numpy().sum(), 2)

print("A concordância geral entre os mapas foi de {}%".format(concordancia_geral), "considerando a harmonização obtida.")

A concordância geral entre os mapas foi de 92.38% considerando a harmonização obtida.

	0.0	11.0	12.0	15.0	20.0	21.0	23.0	24.0	25.0	255.0	...	32.0	33.0	39.0	4.0	41.0	48.0	5.0	62.0	9.0
0.0	9876896659	0	0	0	0	0	0	0	0	20178754064	...	0	0	0	0	0	0	0	0	0
1.0	0	40062533	332302138	64645231	0	9548	81046	51527	2597	15714006	...	1044540	41804700	4844	51478546	1656333	3570	37292451	0	39431
2.0	0	48300147	208391400	314268416	46613	473683	67592	233240	50582	6991810	...	465990	62039313	803929	78982869	2738526	356629	13824545	14	893291
3.0	0	5297656	15541078	170031638	23737	216153	973	157752	51114	295771	...	31269	4935847	449155	13100528	1649116	486682	490406	14	1421665
4.0	0	10213	33348	1049461	0	0	0	0	0	35	...	0	4844	4655	2366	11081	2198	0	0	994

	11.0	12.0	15.0	20.0	21.0	23.0	24.0	25.0	3.0	30.0	32.0	33.0	39.0	4.0	41.0	48.0	5.0	62.0	9.0
1.0	40062533	332302138	64645231	0	9548	81046	51527	2597	15052521540	1013124	1044540	41804700	4844	51478546	1656333	3570	37292451	0	39431
2.0	48300147	208391400	314268416	46613	473683	67592	233240	50582	9304941107	1270752	465990	62039313	803929	78982869	2738526	356629	13824545	14	893291
3.0	5297656	15541078	170031638	23737	216153	973	157752	51114	616997409	803397	31269	4935847	449155	13100528	1649116	486682	490406	14	1421665
4.0	10213	33348	1049461	0	0	0	0	0	64700125	0	0	4844	4655	2366	11081	2198	0	0	994
5.0	123711	7224931	11281305	63	15176	0	24752	3948	12868856	11900	0	11774	46732	513471	595931	156793	0	0	18692996

	Campo Alagado e Área Pantanosa	Formação Campestre	Pastagem	Cana	Mosaico de Usos	Praia, Duna e Areal	Área Urbanizada	Outras Áreas não Vegetadas	Formação Florestal	Mineração	Apicum	Rio, Lago e Oceano	Soja	Formação Savânica	Outras Lavouras Temporárias	Outras Lavouras Perenes	Mangue	Algodão (beta)	Silvicultura
Floresta manejada (FM)	40062533	332302138	64645231	0	9548	81046	51527	2597	15052521540	1013124	1044540	41804700	4844	51478546	1656333	3570	37292451	0	39431
Floresta não manejada (FNM)	48300147	208391400	314268416	46613	473683	67592	233240	50582	9304941107	1270752	465990	62039313	803929	78982869	2738526	356629	13824545	14	893291
Floresta secundária (FSec)	5297656	15541078	170031638	23737	216153	973	157752	51114	616997409	803397	31269	4935847	449155	13100528	1649116	486682	490406	14	1421665
Corte seletivo (CS)	10213	33348	1049461	0	0	0	0	0	64700125	0	0	4844	4655	2366	11081	2198	0	0	994
Reflorestamento (Ref)	123711	7224931	11281305	63	15176	0	24752	3948	12868856	11900	0	11774	46732	513471	595931	156793	0	0	18692996

	Campo Alagado e Área Pantanosa	Formação Campestre	Pastagem	Mosaico de Usos	Praia, Duna e Areal	Área Urbanizada	Formação Florestal	Mineração	Apicum	Rio, Lago e Oceano	Soja	Formação Savânica	Outras Lavouras Temporárias	Outras Lavouras Perenes	Mangue	Silvicultura
Floresta manejada (FM)	3.61	29.91	5.82	0.00	0.01	0.00	1354.73	0.09	0.09	3.76	0.00	4.63	0.15	0.00	3.36	0.00
Floresta não manejada (FNM)	4.35	18.76	28.28	0.04	0.01	0.02	837.44	0.11	0.04	5.58	0.07	7.11	0.25	0.03	1.24	0.08
Floresta secundária (FSec)	0.48	1.40	15.30	0.02	0.00	0.01	55.53	0.07	0.00	0.44	0.04	1.18	0.15	0.04	0.04	0.13
Corte seletivo (CS)	0.00	0.00	0.09	0.00	0.00	0.00	5.82	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00	0.00
Reflorestamento (Ref)	0.01	0.65	1.02	0.00	0.00	0.00	1.16	0.00	0.00	0.00	0.00	0.05	0.05	0.01	0.00	1.68

| brasil ¶

1.1 | Importando pacotes usados ¶

1.2 | Funções usadas ¶

1.3 | Legendas dos mapas de acordo com os valores de pixel ¶

1.4 | Carregando os dados ¶

1.5 | Tratando os dados ¶

1.6 | Mapeando os nomes das classes ¶

2.1 | Análise dos dados ¶

2.1.1 | Tabulação Cruzada ¶

2.2 | Equivalências por linha ¶

2.3 | Equivalências por coluna ¶

2.4 | Legenda Harmonizada ¶

2.5 | Análise das Informações Obtidas ¶

	MapBiomas	Quarto_Inventario	Size
0	Campo Alagado e Área Pantanosa	Água (A)	6.32
1	Formação Campestre	Floresta manejada (FM)	29.91
2	Pastagem	Pastagem (Ap)	307.17
3	Cana	Agricultura semiperene (CANA)	0.53
4	Mosaico de Usos	Pastagem (Ap)	0.13
5	Praia, Duna e Areal	Água (A)	0.03
6	Área Urbanizada	Assentamento (S)	2.01
7	Outras Áreas não Vegetadas	Pastagem (Ap)	0.03
8	Formação Florestal	Floresta manejada (FM)	1354.73
9	Mineração	Mineração (Min)	0.70
10	Apicum	Floresta manejada (FM)	0.09
11	Rio, Lago e Oceano	Água (A)	58.27
12	Soja	Agricultura anual (AC)	27.54
13	Formação Savânica	Floresta não manejada (FNM)	7.11
14	Arroz (beta)	Floresta manejada (FM)	0.00
15	Outras Lavouras Temporárias	Pastagem (Ap)	6.06
16	Outras Lavouras Perenes	Agricultura perene (PER)	0.61
17	Mangue	Floresta manejada (FM)	3.36
18	Algodão (beta)	Floresta manejada (FM)	0.00
19	Silvicultura	Reflorestamento (Ref)	1.68